英文题目：Differentiable and Severity-invariant Discrete Tokens for Dysarthric Speech Recognition
标签：#语音识别 | #向量量化 | #端到端学习 | #正则化 | #言语障碍
评分：7.3/10 | 创新 1.4/2 | 技术严谨 1.1/1.5 | 实验充分 1.2/1.5 | 清晰度 0.8/1 | 影响力 0.5/1.5 | 开源 1/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5
👥 作者与机构
- Huimeng Wang：The Chinese University of Hong Kong, Hong Kong SAR, China Institute of Software, Chinese Academy of Sciences, Beijing, China National Research Council Canada, Canada
- Xurong Xie：The Chinese University of Hong Kong, Hong Kong SAR, China Institute of Software, Chinese Academy of Sciences, Beijing, China National Research Council Canada, Canada
- Mengzhe Geng：The Chinese University of Hong Kong, Hong Kong SAR, China Institute of Software, Chinese Academy of Sciences, Beijing, China National Research Council Canada, Canada
- Haoning Xu：The Chinese University of Hong Kong, Hong Kong SAR, China Institute of Software, Chinese Academy of Sciences, Beijing, China National Research Council Canada, Canada
- Jiajun Deng：The Chinese University of Hong Kong, Hong Kong SAR, China Institute of Software, Chinese Academy of Sciences, Beijing, China National Research Council Canada, Canada
- Youjun Chen：The Chinese University of Hong Kong, Hong Kong SAR, China Institute of Software, Chinese Academy of Sciences, Beijing, China National Research Council Canada, Canada
- Chengxi Deng：The Chinese University of Hong Kong, Hong Kong SAR, China Institute of Software, Chinese Academy of Sciences, Beijing, China National Research Council Canada, Canada
- Xunying Liu：The Chinese University of Hong Kong, Hong Kong SAR, China Institute of Software, Chinese Academy of Sciences, Beijing, China National Research Council Canada, Canada
📌 核心摘要
构音障碍语音识别以声学信号为输入、以文字转写为输出，难点在于数据稀缺、与正常语音失配大以及按严重度划分的说话人异质性极强。所提可微分且严重度不变离散 token 方法先用可微分 K 均值量化器得到初始 token，再经迭代伪标签更新精炼 HuBERT 编码器与码本，然后将前端与 Conformer 后端端到端联合优化以学习面向识别的离散表示，最后加入严重度不变正则约束内容平行的健康与障碍 utterance 级 token 分布趋同。与传统 K 均值离散 token 的关键机制差异在于用 Gumbel-Softmax 松弛实现梯度回传，并显式最小化障碍与健康分布的 \(KL\) 散度而非仅靠声学聚类。在 UASpeech 上该方法词错误率为 22.07%，相对连续基线降低 0.78% 绝对误差，相对传统离散基线降低 2.22% 绝对误差；在 TORGO 上为 7.88%，对应降低 1.06% 和 1.78% 绝对误差，均通过 MAPSSWE 显著性检验。结论主要适用于孤立词与小词汇量障碍任务，对自发连续语音、未见病因与跨语言泛化尚未验证。后续实验采用未压缩 token 以保精度，在效率对比评测下其在单个 NVIDIA A40 硬件上的训练成本为 UASpeech 2.67小时、TORGO 1.78小时，推理开销对应实时率为 UASpeech 0.60、TORGO 1.13。
🔗 开源与复现资源
模型相关资源：https://huggingface.co/facebook/hubert-large-ls960-ft — 暂时无法访问（HTTP 429）
模型相关资源：https://huggingface.co/Qwen/Qwen2.5-0.5B-Instruct — 链接可访问（HTTP 200）
可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。
🧭 深度解读
输入是什么，目标是什么，本文要解决哪两个错位？
本文输入是构音障碍英语语音，目标是自动语音识别转写。学习对象是刚进入语音领域的研究生，需要先建立任务难度来源：数据稀缺、与正常语音失配大、说话人之间差异大。论文把困难具体化为两个机制性错位。
第一是训练目标错位：离散 token 提取常用离线聚类，与下游识别后端分开训练，会丢失识别相关信息。第二是严重程度带来的异质性：口音性别等常见变异再叠加言语病理严重程度，使不同可懂度说话人的表示差异很大。
离散 token 在此处的白话含义是把连续语音表示按码本量化为有限整数序列，英文为 discrete tokens。后文统一简称离散 token。连续表征指 HuBERT 等自监督模型输出的稠密向量，英文为 continuous representations。
论文保留离散路线的原因在原文中有明确交代：序列压缩省计算、便于与文本统一建模、省存储传输并支持端侧隐私推理。但通常精度低于连续对照，因此本文不是笼统宣称离散更好。
连续表征 × 离散 token： 连续表征分工是保留 HuBERT 编码器输出的稠密声学语义细节，适合直接送入识别后端但序列长、存储传输开销大；离散 token 分工是经码本量化把连续向量映射为有限整数序列，便于压缩、统一文本语音建模与端侧部署；二者搭配理由是先用连续表征保证信息上限再用量化换效率，组合意义是 DSI 希望在压缩的同时不丢失识别关键信息。
本解读的输入是论文正文证据与本次收到的官方原图像素，目标是让读者能复述方法与实验条件。必须保留的信息包括数据划分、模型配置、码本尺寸、损失构成与显著性口径。
已有路线做了什么，本文与哪条路线直接可比？
按同输入同目标划分，已有路线主要有 3 类。第一类是跨域迁移与增强补偿：把正常语音识别知识迁移到障碍语音，或做速度扰动与说话人自适应。第二类是连续自监督表示：用微调后的 HuBERT 输出连续特征送入识别后端。
第 3 类是离散 token 尝试：论文点名此前只有很少工作探索构音障碍离散识别，且忽略了训练不一致与严重程度异质性。而正常语音的可微优化工作也没有处理病理严重程度问题。这正是本文的切入点。
公平对照要求同后端同特征来源。本文做法是所有特征表示都用相同 Conformer 架构评估。连续与离散都来自同一跨域微调 HuBERT 主干，只是后处理不同。
这种设计使读者能把性能差异归因于量化与训练方式，而非更换主干或解码器。教学例子仅为例子：好比同一台收音机分别接原声线路与压缩线路比较音质。
需要区分的还有压缩路线。论文评估了去重加字节对编码压缩，这条路线更短更快但精度损失更大。本文后续主实验明确放弃压缩而采用未压缩离散 token。
为什么常规 K 均值离散 token 在这里掉点更多？
常规流程分两步：先从跨域微调 HuBERT 提取连续表示，再用 K 均值码本量化为离散 token。第一步的连续提取经过特殊改造：在 Transformer 与 CTC 网络之间插入瓶颈模块。原文明确该瓶颈把维度从 1024 降到 256 再恢复。
该瓶颈还把 20 毫秒步长先调到 10 毫秒再调回，最终取第一个全连接块输出作为连续表示。第二步的常规 K 均值是离线不可微的，码本学完即固定，识别误差无法回传。
掉点放大的逻辑是两层叠加。通用层是量化本身有损且目标与识别无关。病理层是不同严重程度说话人的声学实现差异大，同一音素可能被量化到不同码字。
论文用音素级可视化支持这一判断：未加正则时严重程度组分布边界更分明，加正则后重叠更大。注意这是支持性证据而非因果证明，原文措辞为显示重叠增加与边界变弱。
复述时要抓住可验证动作：若只换量化方式而不换主干与后端，常规离散基线在两个库上都低于连续基线。这为后文 3 步改进提供了可比起点。
DSI 全景如何串起三步？一个样本走完全程
DSI 是可微且严重程度不变的离散 token 方法，英文为 differentiable and severity-invariant discrete tokens。后文简称 DSI。沿一个样本走完全程：输入一段障碍或健康语音波形，先经编码器得到连续序列。再经瓶颈模块与可微量化器得到硬 token，硬 token 序列送入后端预测转写。
训练时另有一条平行健康话语支路，与障碍话语内容相同但说话人来自对照组。该支路用于计算话语级分布差异并作为正则。3 步分工如下：第一步迭代伪标签更新负责提纯量化，第二步端到端优化负责反传识别监督。
第 3 步严重程度不变正则负责在端到端训练中拉近障碍与健康分布。图 1 把 3 步画成 3 个面板，面板之间不是并列选项而是递进关系。提纯后的参数作为端到端初始化，端到端之上再加正则。
以下导读针对本次实际收到像素的图 1，图注说明其展示 DSI 学习框架总览，含迭代伪标签更新、端到端优化与严重程度不变正则 3 个部分。阅读时建议先看主路径再看回流梯度，最后看平行对照支路如何汇入正则损失。
看图路径： 1. 先沿面板 a 左侧语音输入经 HuBERT 编码器、瓶颈模块到 DKM 量化器的主箭头走一遍，再看上一轮伪标签如何回流为损失；2. 再看面板 b 中量化输出如何直接送入 Conformer 后端并由识别损失统一回传梯度；3. 最后看面板 c 中障碍话语与平行健康话语的两条支路在哪里做话语平均并经 KL 连接到正则损失
论文图 1。原论文 Fig. 1:：“Overview of the proposed differentiable and severity-invariant (DSI) discrete token learning framework.”。
该图上中下三块分别对应上述 3 步。上块显示话语进入两个纵向排列的 token 提取模块，上一轮输出经独热化为伪标签并经 token 预测损失回传梯度。中块显示提取模块直连 Conformer 后端并由识别损失统一优化。下块显示障碍话语与平行对照话语分别量化后做话语平均得到分布，并经 KL 连接到正则损失，且健康分支标有停止梯度。
可微量化与严重程度正则各算什么？
可微 K 均值是让码本可学习的量化器，英文为 differentiable K-means，后文简称 DKM。符号先交代：连续特征记为批量、帧长与维度构成的 3 维数组，码本为码字数乘维度的矩阵。计算目标是为每帧算出对每个码字的软分配概率。
再经 Gumbel-Softmax 采样得到松弛分配向量，经直通取最大值得到独热向量并计算欧氏距离损失。该损失仅用于初始 DKM 训练阶段，后续伪标签更新与端到端阶段改用各自目标。这是原文明确的阶段划分。
以下独占段落绑定 Gumbel-Softmax 采样公式，代码将注入原式，符号含义见前后文。分子为对数概率加噪声除以温度后的指数，分母为对所有码字求和。
\[h_{b,n}^{k}=\frac{\exp\left(\big(\log P(k\mid\mathbf{x}_{b,n},\mathbf{C})+G_{k}\big)/\tau\right)}{\sum_{j=1}^{K}\exp\left(\big(\log P(j\mid\mathbf{x}_{b,n},\mathbf{C})+G_{j}\big)/\tau\right)}\]可微 K 均值 × Conformer 后端： 可微 K 均值分工是提供可求导的量化模块，让码本与编码器能接收梯度；Conformer 后端分工是提供识别监督与注意力加 CTC 的损失信号；搭配理由是传统 K 均值不可微会切断梯度，无法让识别误差指导前端；组合意义是端到端优化把识别目标反传到 token 提取，实现面向识别的离散表示。
严重程度不变正则的英文为 severity-invariant regularization，后文简称 SIR。它的输入是 1 对内容平行的话语：批量中每条障碍话语配一条随机选择的健康对照话语。计算目标是先把帧级软分配在时间上平均为话语级分布。
再算健康分布到障碍分布的 KL 散度并在批量上平均。健康分布施加停止梯度，意味着只推动障碍侧向健康侧靠拢。最终 DSI 损失是端到端识别损失加权重系数乘以该正则项。
严重程度不变正则 × 内容平行对照： 严重程度不变正则分工是拉近障碍语音与健康语音在话语级 token 分布上的距离，减少随严重程度变化的表示漂移；内容平行对照分工是提供相同文本内容但不同严重程度的参考分布，使比较不受文本差异干扰；搭配理由是没有平行内容就无法区分语言差异与病理差异；组合意义是在端到端训练中保留语言内容而抑制严重程度相关变异。
以下两式分别为总损失构成与正则项定义，阅读时把第一式看作多任务加权。把第二式看作平行对照的分布拉近，健康侧不更新。
\[\mathcal{L}_{\mathrm{DSI}}=\mathcal{L}_{\mathrm{E2E}}+\alpha\cdot\mathcal{L}_{\mathrm{SIR}}\]\[\mathcal{L}_{\mathrm{SIR}}=\frac{1}{B}\sum_{b=1}^{B}D_{\mathrm{KL}}\left(\operatorname{sg}[\mathbf{p}_{b}^{c}]\,\parallel\,\mathbf{p}_{b}^{d}\right)\]瓶颈模块与码本尺寸在计算中起什么作用？
瓶颈模块不是本文创新主体，但它是连续表示的实际来源，必须按证据复述。其结构为 4 层交错：转置卷积把步长从 20 毫秒调到 10 毫秒。全连接块把维度从 1024 降到 256，第二卷积层把步长调回 20 毫秒。
最后全连接块恢复到 1024，最终连续表示取第一个全连接块输出。训练时 HuBERT 的卷积特征编码器保持冻结，其余参数可更新。这是原文在伪标签更新与端到端阶段都重复的冻结条件。
码本尺寸评估了 100 与 500 两档，温度固定为 0.8。尺寸增大的直观作用是量化粒度更细，可能保留更多细节但也增加学习负担。论文报告两档下 DSI 都有效，且绝对增益量级接近。
这支持方法不只依赖某一特定码本大小。复述时不要把码本大等同于一定更好，需以同后端同尺寸的基线比较为准。另一个易误解点是压缩：去重加 BPE 虽短快但精度代价大。
三阶段训练如何组织监督、冻结与初始化？
训练分 3 个阶段，监督来源与参数状态各不相同。第 1 阶段是初始 DKM 码本学习，用欧氏距离损失只优化码本。第二阶段是迭代伪标签更新，把当前离散 token 集当作伪标签。
用 token 预测交叉熵联合优化 HuBERT 编码器与 DKM 量化器，卷积编码器冻结。更新后重标全库得到下一轮 token，可作为下一轮监督或直接作识别输入。第 3 阶段是端到端优化与正则联合训练。
编码器、量化器与随机初始化的 Conformer 后端一起用识别损失优化。编码器与量化器用上 1 阶段最后一轮参数初始化，卷积编码器仍冻结。以下公式为伪标签阶段的 token 预测损失。
\[\mathcal{L}_{\mathrm{TSP}}=-\sum_{n=1}^{N}\sum_{k=1}^{K}H^{l}_{n,k}\log P^{l}_{n,k}\]端到端目标的原文组成为 CTC 占 0.3、注意力损失占 0.7 的多任务识别损失。该损失作用于转写与后端预测之间，梯度贯穿整条管线。以下独占段落绑定该端到端损失定义。
\[\mathcal{L}_{\mathrm{E2E}}=\mathcal{L}_{\mathrm{ASR}}\Big(\mathbf{Y};\text{ASR}_{\mathrm{CFM}}(\text{Q}_{\mathrm{DKM}}(\text{Enc}_{\mathrm{HB}}(\mathbf{O})))\Big)\]迭代伪标签更新 × 端到端优化： 迭代伪标签更新分工是先用当前 token 作为伪标签监督编码器与量化器，再用更新后模型重标全库以渐进提纯 token；端到端优化分工是用真实转写监督直接联合优化编码器、量化器与识别后端；搭配理由是前者不需要转写即可改善量化质量，后者用识别目标校准前端；组合意义是先提纯再对准识别，形成 2 阶段递进。
需要指出的缺项是原文未报告迭代轮数、学习率与权重系数的具体数值。原文只说正则权重按实验设置经验调定。复现时不能从模型名推定这些实现，应先按冻结与初始化链条搭通流程。
梯度路径方面，原文明确健康分支停止梯度、卷积编码器冻结。其余路径按联合优化理解，未给出的细节不猜。
数据、划分、基线与指标如何保证可比？
本节回答测什么、与谁比、条件是否一致。任务为英语构音障碍识别，UASpeech 是孤立词任务，TORGO 含句子与单字。划分沿用类似策略：训练纳入全部健康对照数据与部分障碍数据。
测试为剩余障碍数据，指标为词错误率，越低越好。显著性用 MAPSSWE 在 0.05 水平检验，分别相对连续基线与标准离散基线标注。下表整理两库的原始规模与增强后训练测试量。
阅读问题是数据量与说话人数是否足以支撑跨严重程度比较，公平条件是划分沿用公开基准做法。指标方向在后文结果表中统一为词错误率越低越好，聚合对象按可懂度分组报告。
| 数据集 | 说话人构成 | 原始时长内容 | 增强后训练集 | 增强后测试集 |
|---|---|---|---|---|
| UASpeech 孤立词 | 16 名障碍加 13 名对照 | 103 小时 | 173 小时 538292 句 | 8.7 小时 26520 句 |
| TORGO 句子单字 | 8 名障碍加 7 名对照 | 13.5 小时 1573 词 | 34.1 小时 61813 句 | 1.0 小时 1892 句 |
表后解释与限制：UASpeech 规模大且按可懂度分 4 组，适合看严重程度趋势。TORGO 规模小且测试仅 1.0 小时，单点波动更大，两库都含健康对照。
这正是 SIR 需要平行对照的前提，但也意味着若无平行文本则该正则不可直接套用。模型主干为 HuBERT Large，Conformer 用 ESPnet 实现，语音大模型用 Qwen2.5-0.5B-Instruct。本次 Qwen 链接可达可写已公开，HuBERT 链接本次限流未能确认可达。
主结果在什么条件下成立？增益集中在哪里？
比较问题是 DSI 离散 token 是否同时优于同主干同后端的标准离散与连续基线。公平条件是 Conformer 架构相同，连续与离散都源自同一跨域微调 HuBERT。指标方向为词错误率越低越好。
下表先看效率与精度的权衡，这是理解为何主结果选用未压缩 token 的前提。未压缩离散相对连续省训练时间但词错误率略升，压缩更短更快但恶化更明显。
| 表示类型 | UASpeech 训练耗时 | UASpeech 词错误率 | TORGO 训练耗时 | TORGO 词错误率 |
|---|---|---|---|---|
| 连续特征 | 5.16h 对比 2.67h 省 48% | 上升 1.44% | 2.11h 对比 1.78h 省 16% | 上升 0.72% |
| 去重 BPE 压缩 | 序列 0.46 倍省 25% | 恶化 0.72% | 序列 0.49 倍省 20% | 恶化 2.17% |
表后解释主要收益与代价：未压缩离散在 UASpeech 省约 48% 训练时间、在 TORGO 省约 16%。推理实时率略快，代价是词错误率分别上升 1.44 与 0.72 个百分点。再做压缩序列缩到约一半，但词错误率再恶化。
去重与 BPE 压缩 × 未压缩离散 token： 去重与 BPE 压缩分工是进一步缩短离散序列以省训练时间与推理实时率；未压缩离散 token 分工是保留每帧量化结果以保识别精度；搭配理由是效率与精度存在权衡需实测；组合意义是论文在测得压缩带来明显词错误率上升后，明确后续主实验采用未压缩 token，接受中等效率换精度。
主结果层面需要核对绝对与相对两套口径，比较对象是可比 HuBERT 离散与连续基线。下表给出论文报告的显著下降幅度与系统组合后最低值，均为可运行 Conformer 系统的实测结果。
| 任务 | 相对标准离散下降 | 相对连续下降 | 系统组合最低值 | 显著性口径 |
|---|---|---|---|---|
| UASpeech | 2.22% 绝对 9.14% 相对 | 0.78% 绝对 3.41% 相对 | 18.90% | MAPSSWE 0.05 显著 |
| TORGO | 1.78% 绝对 18.43% 相对 | 1.06% 绝对 11.86% 相对 | 6.38% | MAPSSWE 0.05 显著 |
表后解释增益集中在最重组：UASpeech 极低可懂度组改善最明显，TORGO 重度组同样集中改善。限制是高可懂度与轻中度组变化小，总体趋势不等于每组都大幅改善。相对百分比与百分点不可混淆。
三步各自贡献多少？换后端是否仍然有效？
本节按消融组织：测每步增量、与谁比、条件是否一致。下表聚焦可运行策略的增量，基线保留非端到端与标准量化对照。另行标注的搜索最优不代替可部署收益，此处均为实际训练得到的系统比较。
| 对比维度 | UASpeech 关键数字 | TORGO 关键数字 | 后端泛化 | 适用条件 |
|---|---|---|---|---|
| 伪标签提纯 | 改善初始 DKM | 重度小幅改善 | Conformer 同架构 | 需重标全库 |
| 端到端相对非端到端 | 降 1.49% 和 1.34% 绝对 | 重度降 2.96% 绝对 | 联合训练 | 需转写监督 |
| 加 SIR 相对不加 | 降 0.41% 和 0.29% 绝对 | 重度再降 0.21% 绝对 | 高可懂度基本不动 | 需平行对照 |
| 换 Qwen 后端 | 降 1.98% 绝对 | 降 1.47% 绝对 | 两库一致下降 | 离散接口通用 |
表后解释与反例：最大单步来自端到端，说明识别监督回传是关键。SIR 增量小但集中在最重组且高可懂度组基本不动，符合抑制严重程度变异的设计目标。Qwen 后端两库都下降，支持跨后端泛化。
未胜出与边界是 TORGO 上提纯增益小、SIR 在轻中度组几乎无变化。且系统组合后 DSI 融合略高于连续融合，说明离散在融合后仍未全面反超连续。不可把单点最优推广为全程最优。
哪些结论证据不足？哪些代价没有测量？
直接报告与有限解释要分开。直接报告的是词错误率下降、显著性标注与可视化重叠增加。有限解释是重叠增加支持严重程度变异减小，但相关性不是因果。
可视化只展示 4 个代表音素的话语级平均表示的联合投影，不能推广到全部音素与帧级行为。可能与待验证的是更细粒度局部病理特征是否能进一步提升。原文未来工作只提出方向而未验证。
未测量项必须点名：论文未报告误判率分解、延迟分布、端侧内存与功耗实测。训练时间只给单卡 A40 的收敛 GPU 小时与 CPU 实时率，不能据此承诺实际部署延迟一定改善。
超参数方面，正则权重只说经验调定而未给数值，迭代轮数与优化器细节缺失。复现时需补搜索，数据方面 SIR 依赖内容平行的健康话语。若实际场景无平行文本，该正则的构造条件即不成立。
冲突与口径提醒：比较时需同时核对数据集、基线、阶段、指标与聚合对象。数值相同不代表同一指标，百分点下降与相对百分比下降是不同量。引用时保留原文配对写法，不自行换算。
要复现先搭什么，再调什么？
先搭可重放链条。第一步按原文划分准备数据：UASpeech 取全部说话人 B1 与 B3 加健康对照 B2 作训练。第二步搭跨域微调 HuBERT Large 加瓶颈模块，冻结卷积编码器。
取降维分支输出作连续表示，第 3 步跑初始 DKM，再做伪标签交替更新与重标。最后用识别损失联合优化编码器、量化器与 Conformer，并在批量内配平行对照话语。
计算话语平均 KL 正则时健康侧停止梯度。再调运行条件：码本先跑 100 与 500 两档，温度固定 0.8。正则权重按库与码本分别搜索，Conformer 保持与基线同架构。
显著性用 MAPSSWE 在 0.05 水平复核。系统组合按原文记号复现：加号为分数插值，箭头为用后者对前者百 best 假设做两遍重打分。资源方面 Qwen 链接本次可达，HuBERT 链接本次限流未能确认可达。
复现前需自行确认可达后再下载，不可默认权重已就绪。先做最小验证：未压缩离散基线应略差于连续基线，端到端应带来最大单步下降。若任一步趋势相反，先查冻结与平行配对实现。
何时值得尝试 DSI，何时不必？
当任务同时满足 3 条件时值得尝试：已有可微调的自监督主干、能负担端到端联合训练、有内容平行或可构造平行对照的健康语音。且最难的低可懂度或重度组是主要优化目标，此时三动作分工明确。
提纯改善量化质量，端到端对准识别目标，正则抑制严重程度漂移。跨 Conformer 与 Qwen 后端都显示一致增益，这是支持跨后端尝试的证据。当目标是极致压缩或无平行对照时不必硬套。
去重加 BPE 虽短快但精度代价大，本文已为保精度放弃压缩。若无平行文本，SIR 的分布比较即失去内容对齐前提。论文特有的误解是把离散等同于全面超越连续。
实际是 DSI 在单 Conformer 下显著优于可比连续基线，但在系统组合后仍略低于连续融合。另一误解是把可视化重叠当作病理不变的证明，原文只报告重叠增加与边界变弱。应表述为支持而非证明，收束为可执行判断。
📎 论文与评分元数据
排名：前50% | 文档类型：方法研究 | arXiv 原文
⚖️ 评分明细
评分属于系统判断，不是论文实验结果；八维数值与总分见页首，原始审计记录保留在后端。
评分规则：type-aware-v1
评分模型：muse-spark-1.3-contributor
评分请求协议：openai_responses